EvoArenaが動的環境でのLLMエージェント記憶進化ベンチマークで126 upvotesを獲得し、MiniMax Sparse Attentionが100万トークン超のスパースアテンションで117 upvotesと突出。WeaveBench、SpatialClaw、MaxProofなど高注目論文が集中し、エージェント評価・空間推論・数学証明の各領域で大きな進展が見られた。
注目論文
EvoArena: Tracking Memory Evolution for Robust LLM Agents in Dynamic Environments
著者: Jundong Xu, Qingchuan Li, Jiaying Wu et al.
動的に変化する環境においてLLMエージェントが記憶をどう進化させるかを追跡し、堅牢性を評価するベンチマークを提案した研究（126 upvotes）。
新規性: 既存のLLMエージェント評価は静的環境を前提としているが、現実のデプロイでは環境が継続的に変化し、エージェントは知識・スキル・行動を変化に適応させ続ける必要がある。EvoArenaはこの動的環境下での記憶進化を体系的に評価する初のベンチマークであり、静的評価では見えないエージェントの脆弱性を明らかにする。
手法: 環境の状態が時間とともに変化するシナリオを設計し、エージェントが過去の記憶と新しい情報をどう統合・更新するかを追跡する。知識の陳腐化、矛盾する情報への対処、行動の適応的変更など、記憶進化の複数の側面を定量的に評価する。
MiniMax Sparse Attention
著者: Xunhao Lai, Weiqi Xu, Yufeng Yang et al.
100万トークン超の超長コンテキストに対応するスパースアテンション機構を提案し、softmaxアテンションの二次コストを解消した研究（117 upvotes）。
新規性: エージェントワークフロー、リポジトリ規模のコード推論、永続メモリなど、フロンティアLLMには数十万〜数百万トークンへの同時注意が不可欠になりつつあるが、softmaxアテンションの二次コストがこれを阻んでいる。MiniMax Sparse Attentionは、精度を維持しながらこの計算コストを根本的に削減する実用的なスパースアテンション設計を提示する。
手法: アテンションパターンのスパース性を活用し、重要なトークン間の注意を選択的に計算する機構を設計する。超長シーケンスにおいて線形に近い計算コストを実現しつつ、密なアテンションと同等の品質を維持する。
WeaveBench: A Long-Horizon, Real-World Benchmark for Computer-Use Agents with Hybrid Interfaces
著者: Wanli Li, Bowen Zhou, Yunyao Yu et al.
GUIデスクトップ操作、CLI、コードエディタ、ブラウザ、外部ツールを横断する長期タスクでコンピュータ操作エージェントを評価するベンチマークを提案した研究（97 upvotes）。
新規性: コンピュータ操作エージェントは視覚的デスクトップ制御、コマンドライン実行、コード編集、ブラウザ操作、外部ツールが混在する実行環境で動作するが、既存ベンチマークはこれらのインターフェースを分離して評価しており、長期間にわたるクロスインターフェース連携の能力を測定できていなかった。
手法: 複数のインターフェースを横断する長期的なタスクシナリオを設計し、エージェントがGUI操作からCLIコマンド、ブラウザ操作へとシームレスに遷移しながら目標を達成する能力を評価する。実世界の作業フローを反映した複合的なタスク設計により、インターフェース間の統合能力を直接測定する。
SpatialClaw: Rethinking Action Interface for Agentic Spatial Reasoning
著者: Seokju Cho, Ryo Hachiuma, Abhishek Badki et al.
VLMの空間推論能力を、専門知覚モジュールとのアクションインターフェース再設計により大幅に改善した研究（86 upvotes）。
新規性: 物体の位置、相互関係、3D空間での動きを推論する空間推論はVLMにとって根本的な課題であり続けている。ツール拡張エージェントはVLMに専門知覚モジュールを付加するアプローチだが、その有効性はモジュール統合のインターフェース設計に大きく依存する。SpatialClawはこのアクションインターフェースを根本から再設計し、空間推論の精度を飛躍的に向上させる。
手法: VLMが専門知覚モジュール（深度推定、物体検出等）を呼び出す際のアクションインターフェースを再構築し、空間的な情報の取得・統合を最適化する。モジュール間の情報伝達経路とアクション表現を改善することで、既存のツール拡張アプローチの限界を超える空間推論性能を実現する。
InterleaveThinker: Reinforcing Agentic Interleaved Generation
著者: Dian Zheng, Harry Lee, Manyuan Zhang et al.
強化学習を用いてテキストと画像のインターリーブ生成の品質を向上させるフレームワークを提案した研究（77 upvotes）。
新規性: 最近の画像生成モデルは単一画像の生成や編集で優れた性能を示すが、アーキテクチャの制約によりテキスト-画像シーケンスのインターリーブ生成を実現できていない。インターリーブ生成はビジュアルナラティブやインタラクティブなコンテンツ作成に不可欠な応用であり、InterleaveThinkerはこの課題に強化学習ベースのエージェント的アプローチで取り組む。
手法: エージェントがテキスト生成と画像生成を交互に行うプロセスを強化学習で最適化する。テキストと画像の一貫性、文脈の連続性、生成品質を報酬信号として、インターリーブ生成全体の品質を向上させる。
MaxProof: Scaling Mathematical Proof with Generative-Verifier RL and Population-Level Test-Time Scaling
著者: Jiacheng Chen, Xinyu Zhang, Shunkai Zhang et al.
競技数学レベルの証明生成を、生成・検証・修復の3能力を防御的に訓練し集団レベルでスケールさせるフレームワークを提案した研究（76 upvotes）。
新規性: MiniMax-M3シリーズにおける集団レベルのテスト時スケーリングフレームワークとして、証明生成・証明検証・批評条件付き証明修復の3つの能力を防御的に段階的に訓練する。個別モデルの性能向上だけでなく、複数モデルの集団的な協調による証明能力のスケーリングという新たなパラダイムを提示する。
手法: 生成-検証型RLにより証明の生成と検証を同時に訓練し、さらに検証で棄却された証明を批評に基づいて修復する能力を追加する。テスト時には集団レベルで複数の証明候補を生成・検証・修復するサイクルを回し、個別モデルの限界を超える証明成功率を達成する。
Robust-U1: Can MLLMs Self-Recover Corrupted Visual Content for Robust Understanding?
著者: Jiaqi Tang, Jianmin Chen, Youyang Zhai et al.
MLLMが破損した視覚入力を自己修復し、堅牢な理解を維持できるかを検証した研究（74 upvotes）。
新規性: MLLMは視覚理解で顕著な成功を収めているが、実世界の視覚的劣化（ノイズ、ぼかし、圧縮歪みなど）の下では性能が大幅に低下する。既存の堅牢性向上アプローチには限界があり、ブラックボックスの特徴量整合はモデル内部の解釈性を欠く。本研究はMLLM自身が破損した視覚コンテンツを内部的に修復する自己回復能力の可能性を探求する。
手法: MLLMが劣化した視覚入力を受け取った際に、内部表現レベルで視覚情報を修復・補完するメカニズムを分析・強化する。外部の前処理モジュールに依存せず、モデル自身の能力として堅牢な視覚理解を実現する方法を検証する。
FORT-Searcher: Synthesizing Shortcut-Resistant Search Tasks for Training Deep Search Agents
著者: Jia Deng, Yimeng Chen, Xiaoqing Xiang et al.
ディープサーチエージェントの訓練に適した、ショートカット耐性のある検索タスクを自動合成する手法を提案した研究（71 upvotes）。
新規性: ディープサーチエージェントの訓練には、十分な検索を行わなければ回答できない検証可能な質問が必要である。既存の合成手法はグラフ構造の複雑化で見かけ上の難易度を上げるが、構造的複雑さだけでは実質的なショートカット耐性は保証されない。FORT-Searcherは構造ではなくショートカット耐性に直接焦点を当てたタスク合成を行う。
手法: 検索タスクの合成時に、パラメトリック知識や表層的なパターンマッチングでは回答できないことを検証するフィルタリングを組み込む。実際に十分な証拠を検索・統合しなければ正解に到達できないタスクのみを選別することで、エージェントの深い検索能力を効果的に訓練する。
LabVLA: Grounding Vision-Language-Action Models in Scientific Laboratories
著者: Baochang Ren, Xinjie Liu, Xi Chen et al.
科学実験室における物理的な実験操作をVision-Language-Actionモデルで自動化する初の試みを行った研究（52 upvotes）。
新規性: AIは文献読解、仮説生成、プロトコル計画で科学研究を支援できるが、実験のベンチでの物理的実行は依然として人間に依存している。LabVLAは科学実験室という専門環境にVLAモデルを適用し、プロトコルの理解から物理的操作の実行までを統合する初の取り組みである。
手法: 科学実験室の環境に特化した視覚-言語-行動データセットを構築し、実験プロトコルの自然言語指示を理解して対応する物理的操作（ピペッティング、試薬の混合等）を実行するVLAモデルを訓練する。実験室特有の精密操作と安全性要件に対応したアクション空間の設計を行う。
VIA-SD: Verification via Intra-Model Routing for Speculative Decoding
著者: Yuchen Xian, Yang He, Yunqiu Xu et al.
投機的デコーディングにおいて棄却されたトークンをモデル内ルーティングで再検証し、推論効率を向上させた研究（31 upvotes）。
新規性: 投機的デコーディングは軽量なドラフターが候補を生成し大規模な検証器が並列検証する手法だが、既存手法は受理か完全再計算かの二値判定を行う。本研究は多くの棄却トークンが部分的な検証で救済可能であることを発見し、モデル内部のルーティング機構を活用した効率的な再検証を実現する。
手法: 検証器モデル内部の異なる層やヘッドへのルーティングにより、棄却されたトークンに対して完全な再計算よりも低コストな検証パスを提供する。二値判定を段階的な検証に置き換えることで、受理率を向上させながら計算コストの増加を最小限に抑える。
分野別の動向
エージェント評価・ベンチマーク
本日最も際立ったのはエージェント評価ベンチマークの集中的な登場である。EvoArena（126 upvotes）は動的環境でのLLMエージェントの記憶進化を追跡し、WeaveBench（97 upvotes）はGUI・CLI・ブラウザを横断する長期タスクでの統合能力を測定する。前日のEurekAgentが「モデルより環境設計」を提唱したのに続き、本日はその環境で「何を測るべきか」の具体的な回答が複数示された形である。FORT-Searcher（71 upvotes）のショートカット耐性タスク合成も、ベンチマーク汚染やパラメトリック記憶による抜け道を塞ぐ方向性で軌を一にしている。コミュニティの高い関心度（3論文合計294 upvotes）は、エージェント手法の乱立に対し評価基盤の確立が急務であるという認識の表れだろう。
LLM基盤技術・効率化
MiniMax Sparse Attention（117 upvotes）は100万トークン超の超長コンテキスト処理という実用上の最重要課題に正面から取り組み、二次コストの根本的解消を目指した。VIA-SD（31 upvotes）は推論効率化の別の軸として投機的デコーディングの棄却トークン再利用を提案しており、アテンション計算と推論デコーディングの両面で効率化研究が進行している。前日のDemystifying Hidden-State Recurrenceが潜在推論の効率化を扱ったのと合わせ、LLMの実運用コスト削減が多角的に追求されている。
マルチモーダル・空間推論
SpatialClaw（86 upvotes）はVLMの空間推論をアクションインターフェースの再設計で改善し、Robust-U1（74 upvotes）はMLLMの視覚的劣化への自己回復能力を検証した。InterleaveThinker（77 upvotes）はテキスト-画像インターリーブ生成という新たな応用領域を強化学習で開拓している。前日のDyCo-RLやVisual Para-Thinker++が視覚推論の学習アルゴリズム面を攻めたのに対し、本日はインターフェース設計・堅牢性・生成応用という異なる切り口から進展が見られ、マルチモーダル研究の幅広さが際立つ。
数学推論・科学応用
MaxProof（76 upvotes）の集団レベルテスト時スケーリングは、個別モデルの限界を複数モデルの協調で超えるという新たなスケーリングの方向性を示した。LabVLA（52 upvotes）は科学実験の物理的実行というAIの最後のフロンティアの一つに挑み、前日のEurekAgentの「環境設計による科学発見」とは相補的に、「実験操作の自動化」に焦点を当てている。数学と科学という応用領域でのLLM/VLAの実用化が加速している。